高原气象

高原气象 >

2022 , Vol. 41 >Issue 2: 430 - 443

DOI: https://doi.org/10.7522/j.issn.1000-0534.2021.00115

论文

不同初始场及陆面方案对青藏高原中东部积雪消融过程的模拟研究

  • 姜琪 ,
  • 罗斯琼 ,
  • 李明
展开
  • 1. 武汉市黄陂区气象局，湖北 武汉 432200
    2. 中国科学院西北生态环境资源研究院/中国科学院寒旱区陆面过程与气候变化重点实验室，甘肃 兰州 730000
    3. 武汉市气象局，湖北 武汉 430040

姜琪（1994 -）， 男， 湖北孝感人， 硕士研究生， 主要从事陆面过程与数值模拟研究. E-mail：

收稿日期: 2021-07-05

  修回日期: 2021-12-16

  网络出版日期: 2022-04-20

基金资助

国家自然科学基金项目(U20A2081); 中科院寒旱区陆面过程与气候变化重点实验室2019年度开放基金项目(LPCC2019008)

收起

Numerical Assessment of Various Initial Conditions and Land Surface Schemes on the Snow Melting Process over the Central and Eastern Qinghai-Xizang Plateau

  • Qi JIANG ,
  • Siqiong LUO ,
  • Ming LI
Expand
  • 1. Huangpi Meteorological Bureau of Wuhan，Wuhan 432200，Hubei，China
    2. Key Laboratory of Land Surface Process and Climate Change in Cold and Arid Regions / Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
    3. Wuhan Meteorological Bureau of Hubei，Wuhan 430040，Hubei，China

Received date: 2021-07-05

  Revised date: 2021-12-16

  Online published: 2022-04-20

Fold

本文引用格式

姜琪 , 罗斯琼 , 李明 . 不同初始场及陆面方案对青藏高原中东部积雪消融过程的模拟研究[J]. 高原气象, 2022 , 41(2) : 430 -443 . DOI: 10.7522/j.issn.1000-0534.2021.00115

1 引言

积雪作为北半球冬春季最主要的下垫面类型， 具有高反照率和低导热率等重要物理属性， 其变化可使地表能量重新分配， 对局地及区域的陆-气相互过程有重要影响， 进而产生强烈的气候效应（Henderson et al， 2018）， 是气候系统中重要组成部分（Krinner et al， 2018）。青藏高原位于中国西南部， 平均海拔超过4000 m， 为同纬度海拔最高的地区， 是我国主要季节性积雪区（王澄海等， 2009）。青藏高原积雪过程导致下垫面属性变化， 进而改变地表热力条件， 影响高原与大气的热力及动力相互作用（Zhang et al， 2004； Qin et al， 2006）， 最终对青藏高原地区和下游区域的天气气候产生重要影响（陈烈庭， 2001； Li et al， 2018； Wang et al， 2018）。
积雪过程分为积累过程和消融过程。相比于北半球其他高纬度地区， 青藏高原绝大部分地区的积雪积累时间短， 消融快， 积雪并不能持续积累一个冬半年， 即不能从秋季开始持续积累到第二年春季， 积累及消融过程循环往复出现， 积雪与大气耦合作用更为复杂（秦大河， 2005； 姜琪等， 2020； 李文静等， 2021）。已有研究表明， 青藏高原积雪的快速变化会引起地表反照率的大范围强烈改变， 并通过地表能量收支的变化影响后期的大气环流状况（Li et al， 2018）。此外， 观测资料分析指出青藏高原积雪积累过程中反照率迅速变大， 净短波辐射减小， 净辐射较降雪前迅速减小， 感热、 潜热及土壤热通量均减小， 感热和土壤热通量还可能出现负值（肖林等， 2015； 李文静等， 2021）。积雪消融过程中陆-气相互作用更为复杂， 是积雪与大气耦合作用发生最强烈的阶段 （Krinner et al， 2018）。胡汝骥（2013）指出积雪融化的能量主要是净辐射， 其次是感热。雪面吸收的能量主要用来融化和蒸发积雪（陆恒等， 2015）。张娟等（2018）的研究结果表明， 雪深下降和气温存在超前滞后关系。积雪的消融可使冬春季地表反照率的“Ｖ”型向左倾斜， 进一步影响辐射、 能量平衡和近地层气象要素的日变化特征。在积雪消融过程中， 积雪对土壤起明显的降温作用（李文静等， 2021）。车宗玺等（2008）研究发现植被可以减缓积雪消融速率。此外， 青藏高原积雪消融过程不仅显著影响青藏高原积雪的时空分布特征， 还会对区域水环境的水文特征造成影响（史进纳等， 2015）。
近年来， 前人基于数值模式对青藏高原地区的积雪分布、 长期变化和气候变化敏感性等方面开展了大量研究。Wei and Dong（2015）将CMIP5中19个模式积雪数据与被动微波卫星遥感积雪数据进行比较， 发现大多数模式能够较好地模拟出青藏高原积雪大值区， 但高估积雪深度， 最大积雪深度是遥感积雪数据的5~15倍， 且不同模式模拟结果差异较大。石英等（2010）通过数值模拟方法， 模拟全球变暖对中国区域积雪变化影响， 结果表明未来中国大部分地区积雪日数和雪水当量将减少， 积雪起始时间推后， 终止时间提前， 其中青藏高原地区的变化最为显著。Li et al（2018）利用WRF模式很好地再现青藏高原雪异常信号及其空间分布特征， 但当模拟时间超过7天时， 模拟偏差急剧增加。Yang et al（2020）利用WRF模式模拟天山地区1982 -2018年积雪深度和雪水当量， 与ERA5数据相比， 显著减小了与气象站点观测误差。
青藏高原站点空间分布不均匀， 东部多西部少。高原中东部平均海拔高， 山脉众多， 地形起伏剧烈， 地表植被分布非均一， 其下垫面复杂， 是青藏高原非均匀下垫面地区的典型代表（李斐等， 2017）。前人研究大多集中在青藏高原积雪变化趋势的研究， 或局限于将降雪与融雪过程作为一个整体对单个雪灾事件进行模拟研究， 而缺少对积雪消融过程深入的模拟研究。同时青藏高原降水模拟偏大， 导致降雪量显著偏大（Gao et al， 2017； Liu et al， 2019； Wei and Dong， 2015）， 模拟结果可能存在偏差， 因此基于更为准确的积雪资料作为初始场能够减小初始场不准确产生的误差， 有助于提高WRF模式对积雪消融过程的模拟效果。本研究基于气象台站积雪观测数据选取积雪消融过程的个例事件， 利用观测站点和卫星遥感资料替换初始场中积雪深度、 雪水当量等积雪数据， 旨在更准确地评估WRF模式中不同陆面过程方案对青藏高原中东部积雪消融过程模拟效果， 为模拟青藏高原积雪时陆面过程方案选择提供参考， 以期进一步提高WRF模式对该地区积雪过程的模拟效果。

2 数据来源与实验设计

2.1　数据来源

选取中国气象局国家气象信息中心的中国地面气象台站观测数据集中2014年2月17 -27日青藏高原中东部27个气象台站［图1， 该图及文中的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）1585的中国地图制作， 底图无修改］逐日积雪深度和逐小时2 m气温资料， 另外选取中国科学院西北生态环境资源研究院位于青藏高原的3个野外试验观测点（玛多站、 玛曲站和西大滩站）逐小时2 m气温和辐射资料用于验证WRF模式模拟结果。
图1 模拟区域海拔（彩色区， 单位： m）及所选27个气象台站（黑点）和3个野外试验观测站（红点）位置空间分布

D1为模拟区域外层； D2为模拟区域内层

Fig.1 Map of the model domain with altitude （color area， unit： m） and the selected 27 meteorological stations （black dots） and 3 rural observation stations （red dots）， respectively.D1 is the outer layer of the simulation area， D2 is the inner layer of the simulation area

ERA5数据集是欧洲中期天气预报中心（ECMWF）在ERA-Interim数据集基础上， 改进发布的第五代全球再分析产品， 作为 ERA-Interim 再分析数据集的更新版本， ERA5的集成预报系统模式（IFS）由Cy31r2升级到 Cy41r2， 采用10个集合成员的集合4D-Var资料同化方法。另外， ERA5同化更多的观测数据， 并采用RTTOV-11的卫星资料， 总体数据质量有较大改善。ERA5数据已被广泛应用于青藏高原积雪和气温等方面的研究 （Lei et al， 2020； Ou et al， 2020； Sahu and Gupta， 2020； Yang et al， 2020）。
卫星遥感积雪深度资料来自于国家冰川冻土沙漠科学数据中心 （http： //www.ncdc.ac.cn）的中国雪深长时间序列数据集。该数据集通过使用Che et al（2008）的修正算法， 对美国国家雪冰数据中NSIDC处理的SMMR1（1978 -1987年）， SSM/I（1987 -2007年）和SSMI/S（2008 -2016年）逐日被动微波亮温数据进行反演得到， 水平分辨率为25 km。该数据集资料具有空间分辨率高、 分布均匀和资料完整等优点。前人研究证明该数据集的积雪深度与台站观测资料在积雪稳定区分布较为一致， 具有代表性（李小兰等， 2012）。本文选取该资料中2014年2月17 -27日的积雪深度， 用于替换WRF模式所选用的ERA5初始场的积雪深度、 雪水当量和积雪覆盖标志数据。同时也利用上述观测和遥感数据对模拟结果进行了对比和验证。
图2为ERA5初始场积雪深度和中国雪深长时间序列数据集作为初始场的积雪深度空间分布图。从图2中以看出， 二者积雪高值区均主要位于喜马拉雅山地区和巴颜喀拉山地区， 但前者高值为40~70 cm， 后者高值为10~30 cm。以2014年2月17日为例， 30个站点观测平均积雪深度为6.06 cm， 而ERA5和中国雪深长时间序列数据集作为初始场， 其对应各格点平均积雪深度分别为18.92 cm和9.63 cm。可见中国雪深长时间序列数据集比ERA5与站点观测较为接近， 但仍有一定误差。
图2 WRF初始场积雪深度 （单位： cm）

Fig.2 Initial snow depth in WRF model.Unit： cm

2.2　 WRF模式介绍及实验方案设计

WRF模式因其全面的物理过程参数化方案和先进的数据同化技术而被广泛应用于青藏高原积雪研究。前人研究表明WRF可以准确再现青藏高原复杂地形下的气象要素变化（Gao et al， 2017； Li et al， 2018）。WRF3.9版本耦合多种陆面过程方案， 其中Noah-LSM、 Noah-MP和CLM陆面过程方案最常被选用（Li et al， 2018）。Noah-LSM陆面过程方案（Chen and Dudhia， 2001） 包含单层积雪深度和雪水当量和4层土壤温度和湿度， 以及冠层含水量； 李丹华（2017）利用Noah-LSM模式对青藏高原高寒地区的数值试验表明， 该模式能较好地模拟出积雪近地层有关物理量的变化特征。Noah-MP陆面过程方案是Yang et al（2011）在Noah-LSM（v3.0）的基础上改进参数化方案， 增加植被动态参数， 改进积雪和冻土方案， 积雪最多为3层， 针对不同的地表环境提供多种参数化方案。CLM陆面过程方案包含1层植被， 最多5层积雪和10层土壤， 能够有效地估算土壤水文和降雪过程。3种陆面过程模型雪过程的主要特征见表1。Jin and Wen（2012）评估WRF中3个陆面过程方案（Noah-LSM、 RUC和CLM）对美国西部积雪消融过程的模拟， 指出CLM比Noah-LSM和RUC对雪面能量分配更为真实， 显著改善雪水当量的模拟， 且地形在积雪模拟中起着十分重要的作用， 空间分辨率越高模拟效果越好。
表1 WRF模型中陆面过程方案中积雪相关过程的参数化特征

Table 1 Characteristics of snow-related parameterization processes of land surface process schemes in the WRF model

积雪过程参数 Noah-LSM （Koren et al， 1999） Noah-MP （Niu et al， 2011） CLM4 （Oleson et al， 2010； Lawrence et al， 2010）
土壤层数 4 4 10
独立植被树冠 - √ √
冠状辐射传输 - √ √
植被拦截 √ √ √
冠下热通量 - √ √
时变雪密度 √ √ √
时变雪反照率 √ √ √
最大积雪层数 1 3 5
黑色碳， 灰尘沉积 - - √
积雪之间的水输送 - √ √
冻土 √ √ √
雪内辐射传输 - - √
液体水冻结 - √ √

√表示有该过程模块， -表示无该过程模块

通过观测资料分析发现， 2014年2月16 -17日青藏高原中东部发生一次范围较大的降雪过程， 本文选取的27个气象台站均观测到降雪过程， 最大积雪深度达21 cm， 因此本研究采用WRF3.9.1版本对本次积雪的消融过程进行数值模拟研究。WRF3.9版本中更新了MODIS的土地利用类型（LU_INDEX）和土地利用类型比例（LANDUSEF）， 表2中列出各站点对应WRF网格点的土地利用类型， 可以看出大部分站点对应土地利用类型为草地或稀疏灌丛， 这与实际较为一致， 但仍有个别站点与实际不符， 如玛曲野外站下垫面实际为草地， 而WRF模式中为农田（表2）。ERA5再分析资料作为模式初始条件和边界条件， 其空间分辨率为0.25°， 时间分辨率为6 h。模拟的起始时间为2014年2月17日08:00（北京时， 下同）， 逐小时输出结果， 前24 h为模式“起转”（spin up）时间， 2月18日08:00至27日07:00的模拟结果用于分析。模型采用两层嵌套并双向反馈， 使用兰伯特投影， 网格区域范围如图1所示。外层模拟区域的格点数为180×144， 空间分辨率为25 km， 内层格点数为341×201， 空间分辨率为5 km， 垂直方向分为30层， 模式顶层气压为50 hPa。
表2 气象台站及WRF网格基本信息

Table 2 Locations of meteorological observation stations and the corresponding land use in WRF model

编号 站号 站名 纬度 /（°N） 经度 /（°E） 站点 海拔/m WRF网格 海拔/m WRF网格土地 利用类型 海拔差 /m
1 55655 聂拉木 28.18 85.97 3810 4384.45 10-草地 574.45
2 56079 若尔盖 33.58 102.97 3441.4 3472.76 10-草地 31.36
3 56034 清水河 33.80 97.13 4415.4 4461.85 10-草地 46.45
4 55690 错那 27.98 91.95 4280 4503.93 10-草地 223.93
5 56067 久治 33.43 101.48 3628.5 3777.75 10-草地 149.25
6 56018 杂多 32.88 95.28 4066.4 4335.17 10-草地 268.77
7 55773 帕里 27.73 89.08 4300 4340.80 10-草地 40.80
8 56045 甘德 33.97 99.90 4050 4134.88 10-草地 84.88
9 56038 石渠 32.98 98.10 4200 4341.50 10-草地 141.50
10 56046 达日 33.75 99.65 3967.5 4149.34 10-草地 181.84
11 56151 班玛 32.93 100.75 3530 3759.28 10-草地 229.28
12 56171 阿坝 32.90 101.70 3275.1 3493.38 10-草地 218.28
13 56074 玛曲 34.00 102.08 3471.4 3482.57 10-草地 11.17
14 55279 班嘎 31.38 90.02 4700 4924.96 10-草地 224.96
15 56173 红原 32.80 102.55 3491.6 3512.83 10-草地 21.23
16 56029 玉树 33.00 96.97 3716.9 4274.70 10-草地 557.80
17 56223 洛隆 30.75 95.83 3640 4080.09 10-草地 440.09
18 56182 松潘 32.67 103.60 2881.3 3194.65 10-草地 313.35
19 55664 定日 28.63 87.08 4300 4421.70 7-稀疏灌丛 121.70
20 56137 昌都 31.15 97.17 3315 3637.17 7-稀疏灌丛 322.17
21 56043 玛沁 34.48 100.23 3719 3807.40 10-草地 88.40
22 56033 玛多 34.92 98.22 4272.3 4345.17 7-稀疏灌丛 72.87
23 56021 曲麻莱 34.12 95.80 4175 4274.82 10-草地 99.82
24 56543 香格里拉 27.83 99.70 3276.7 3288.65 10-草地 11.95
25 56116 丁青 31.42 95.60 3873.1 4130.25 10-草地 257.15
26 56016 治多 33.85 95.62 4179.1 4209.62 10-草地 30.52
27 55294 安多 32.35 91.10 4800 4754.91 7-稀疏灌丛 -45.09
28 玛多野外站 34.90 97.57 4280 4316.49 10-草地 36.49
29 玛曲野外站 33.83 102.15 3423 3432.35 12-农田 9.35
30 西大滩野外站 35.72 94.13 4538 4546.00 16-荒漠裸地 8.00
本研究重点为陆面过程对青藏高原积雪消融过程的适用性探究， 基于前人研究， 其他物理参数方案选择如下： 微物理过程选取Lin方案（Lin et al， 1983）， 长波和短波辐射过程均选取RRTM方案（Baek et al， 2017）， 近地面层选取MM5方案（Fairall et al， 2003）， 边界层方案选取YSU方案（Hong et al， 2006）， 积云参数化选取Kain-Fritsch 方案（Kain et al， 2004； 李斐等， 2017； 何建军等， 2014； Jin and Wen， 2012； Liu et al， 2019）。准确的初始场积雪数据对积雪消融过程模拟至关重要， 王芝兰等（2013）研究表明， 青藏高原地区被动微波遥感数据积雪深度与气象台站观测较为一致， 因此本文使用2014年2月17日气象台站和中国雪深长时间序列数据集的积雪数据替换ERA5初始场积雪数据， 包括积雪深度（SNOWH）、 雪水当量（SNOW）和积雪覆盖标志（SNOWC）， 即先用27个气象站点观测资料替换wrfinput_d02中与站点最近格点的积雪数据， 然后用中国雪深长时间序列数据集替换其他格点的积雪数据。研究显示， 我国西北及青藏高原新雪积雪密度在40~160 kg·m-3（魏文寿等， 2001； 郝晓华等， 2009）， 旧雪密度可达260~380 kg·m-3（李晓峰等， 2020）。本文计算雪水当量时选取200 kg·m-3作为积雪密度的平均值。在其他物理过程参数化方案相同情况下， 设计4组试验， 具体见表3。
表3 WRF模式试验设计

Table 3 Configurations of WRF simulation experiments

实验编号 陆面过程方案 初始场积雪数据来源
EXP1 CLM ERA5初始场积雪
EXP2 CLM 气象站点数据和中国雪深长时间序列数据集
EXP3 Noah-LSM 气象站点数据和中国雪深长时间序列数据集
EXP4 Noah-MP 气象站点数据和中国雪深长时间序列数据集

2.3　模拟性能评估

基于中国气象局国家气象信息中心提供的27个气象台站（图1）的逐小时 2 m 气温、 日积雪深度， 3个野外试验观测站（图1）逐小时 2 m 气温和辐射资料及中国雪深长时间序列数据集日积雪深度数据， 采用相关系数R （Correlation coefficient） 、 平均偏差MB（Mean Bias）、 均方根误差RMSE（root mean square error）和平均绝对误差MAE（Mean Absolute Error）4个统计参量对WRF的模拟结果进行评估。统计参量公式如下：
R x y = ∑ i = 1 n ( x i - x ¯ ) ( y i - y ¯ ) ∑ i = 1 n ( x i - x ¯ ) 2 ∑ i = 1 n ( y i - y ¯ ) 2
M B = 1 n ∑ i = 1 n ( x i - y i )
R M S E = 1 n ∑ i = 1 n x i - y i 2
M A E = 1 n ∑ 1 n ( | x i - y i | )
式中： x为模拟值； y为观测值； n为站点数。由于观测站实际海拔与WRF对应网格点海拔存在一定差异（表2）， 如聂拉木站点的海拔差达574.45 m， 将导致2 m气温估算存在较大误差， 因此需要根据温度垂直递减率进行订正。本研究参照Liu et al（2019）使用的温度垂直递减率（-7.1 ℃·km-1） 对模拟的2 m气温进行订正。

3 结果验证

3.1　 2 m气温

表4为各模拟试验中2 m气温与观测数据的对比结果。各试验模拟2 m气温和站点观测2 m气温相关系数均超过0.90， 通过0.01水平下的显著性检验， 均方根误差、 平均误差和平均绝对误差均较小， 其中平均绝对误差为3.30~4.03 ℃。相比Liu et al（2019）模拟青藏高原一次雪灾事件中的平均绝对误差7.3~9.4 ℃， 本研究各模拟试验均能较好地再现2 m气温的变化特征。比较4组试验可以发现， 除EXP2试验模拟2 m气温平均误差较小， 为0.002 ℃， 其余3组实验均表现为冷偏差， 冷偏差可能减缓积雪消融。气象站点数据和中国雪深长时间序列数据集作为初始场积雪数据（EXP2、 EXP3和EXP4）模拟的2 m气温平均误差、 均方根误差和平均绝对误差均小于初始场积雪使用ERA5数据集（EXP1）模拟的2 m气温。比较EXP1和EXP2， 模拟结果平均误差、 均方根误差和平均绝对误差分别减小1.02 ℃、 0.57 ℃和0.41 ℃， 可见使用更准确的初始场积雪数据能提高模式对积雪期2 m气温模拟效果。而在使用中国雪深长时间序列数据集和站点积雪数据作为初始场积雪数据的3组试验中， 陆面过程方案选择CLM时平均误差最小， 为0.002 ℃， 但其均方根误差（4.66 ℃）和平均绝对误差（3.62 ℃）并不是最小的； Noah-LSM方案下的模拟结果的均方根误差（4.08 ℃）及平均绝对误差（3.30 ℃）均最小， 结果优于CLM方案； 而Noah-MP方案结果2 m气温相关性最好（0.94）， 但平均误差、 均方根误差和平均绝对误差均较大。
表4 各试验模拟2 m气温的统计参数结果

Table 4 Statistical metrics for simulated 2 m temperature evaluation against observations

参数 EXP1 EXP2 EXP3 EXP4
均方根误差/℃ 5.23 4.66 4.08 4.74
平均误差/℃ -1.02 0.002 -1.15 -2.15
相关系数 0.90** 0.90** 0.93** 0.94**
平均绝对误差/℃ 4.03 3.62 3.30 3.74

**表示通过99%置信度检验

从观测以及4组实验模拟的30个站点在模拟时间内2 m气温的平均值图［图3（a）］中可以看出， 各试验在不同站点的差异较大。部分站点模拟结果较好， 如错那（4）、 玛曲（13）、 玛沁（21）以及玛多站野外站（28）， 4组试验在上述4个站点的偏差均小于1 ℃， 而有些站点模拟的气温偏差较大， 如聂拉木（1）和松潘（18）， 分别为偏差-5.34~-4.59 ℃ 和 -5.63~-3.59 ℃。此外WRF模式中格点海拔与实际海拔差大于300 m的5个站点， 4组试验平均偏差为 -3.33 ℃， 而海拔差小于100 m的15个站点平均偏差为-0.60 ℃。这是因为WRF模式中地形对温度的影响较为复杂， 虽然本研究通过海拔差对气温进行订正， 但在复杂地形区存在局地小气候， 如聂拉木站位于山谷中， 而WRF模式网格平滑陡峭地形， 可能产生迎风坡与背风坡和山谷与山顶等差异； 此外格点的陆面信息与观测点的陆面信息也可能会有较大偏差（何建军等， 2014）， 如西大滩野外站格点海拔与实际海拔仅为8.00 m， 但西大滩野外站下垫面实际为雪盖与冰盖（Liu et al， 2020）， 而WRF模式格点中为荒漠裸地， 导致温度偏差达 -3.69~-2.78 ℃。
图3 站点观测和各试验模拟的2 m平均气温（a）和2 m气温的时间序列（b）

Fig.3 Time series of observed and simulated daily average 2-metre temperature （a）， and hourly time series of observed and simulated 2-metre temperature （b） in each simulation experiments

从30个站点区域平均的2 m气温逐小时变化［图3（b）］可以看出， 在模拟的第1天， 初始场使用ERA5数据集（EXP1）时， 逐小时2 m气温显著偏小， 平均误差达到-7.48 ℃； 替换更为准确的初始积雪数据后， 3组试验模拟结果均有所改善， 模拟值比原模式高， 更接近观测值， 尤其是EXP2试验， 平均误差缩小到-2.00 ℃。第3天后， 4组试验与观测值的差异较前两天显著减小， CLM陆面方案（EXP1及EXP2）模拟的日最高值较观测值略高； Noah-LSM陆面方案（EXP3）和Noah-LSM陆面方案（EXP4）模拟的日最高气温较观测值偏低， 而日最低气温却比观测值略偏高， 导致气温昼夜温差较观测值显著偏小。

3.2　积雪深度

根据《中国气象观测规范》（中国气象局， 2003）的规定， 当四周视野地面被雪覆盖超过一半时， 各气象站每天08:00进行积雪深度的观测； 仅每月5、 10、 15、 20、 25日和月末最后一天， 且当雪深达5 cm或以上时， 进行雪压观测。因此， 本研究仅分析积雪消融中积雪深度的模拟性能， 取每日08:00积雪深度作为该日积雪深度。由表5可知， EXP2试验积雪深度均方根误差， 平均误差和平均绝对误差均最小， 分别为4.70 cm、 -1.25 cm和2.75 cm， 说明陆面过程方案选择CLM使用中国雪深长时间序列数据集和站点积雪数据作为初始场积雪数据， 模拟的积雪深度与观测误差最小， 但其相关性不高， 这可能是因为CLM陆面过程方案气温模拟的日高值偏高， 且大于积雪融化临界气温［图3（b）］， 导致积雪融化速度过快。EXP3和EXP4试验积雪深度与观测积雪深度相关性较好， 但偏差较大。
表5 各试验模拟积雪深度的统计参数结果

Table 5 Statistical metrics for simulated snow depth evaluation against observations

参数 EXP1 EXP2 EXP3 EXP4
均方根误差/cm 8.09 4.70 7.56 5.85
平均误差/cm 1.94 -1.25 4.01 2.66
相关系数 0.85 0.78 0.92 0.98
平均绝对误差/cm 4.66 2.75 4.51 3.37
图4显示站点观测和各试验模拟平均积雪深度逐日变化， 可以看出平均积雪深度整体时间变化呈减小趋势， 说明各组试验均再现了积雪消融过程， 但各试验模拟效果有一定差异。23日各组试验平均积雪深度均较22日有所增加， 其中EXP3试验增幅最大（1.23 cm）， 这是因为22日08:00至23日08:00在模拟区域内发生一次较小的降雪过程， 站点观测结果表明聂拉木站和丁青站积雪深度分别增加3 cm和1 cm， 但各模拟试验中均对降雪量有所高估。EXP1试验由于使用ERA5初始场积雪数据， 初始积雪显著偏大， 所以18日和19日积雪仍然偏大， 但融化迅速， 速率为11.61 cm·d-1和7.21 cm·d-1。
图4 站点观测和各试验模拟平均积雪深度时间序列

Fig.4 Time series of stationary observations and simulated average snow depth of each experiment

将3组使用中国雪深长时间序列数据集和站点积雪数据作为初始场积雪数据试验得到的结果与观测比较可以发现， 陆面过程选择Noah-LSM和Noah-MP这两组试验模拟的积雪融化速率与观测较为一致， 但模拟的日平均积雪深度均大于站点观测值， 18日比观测积雪深度分别大1.24 cm和0.53 cm， 这是因为这两组试验在前24 h模式“起转”时间里发生了一次较小降雪事件， 尤其是Noah-LSM陆面过程方案， 降雪量达到1.24 cm， 但气象站点未观测到； 但CLM方案的模拟试验中日积雪深度普遍小于站点观测， 且20日平均积雪深度降至0.80 cm， 其后融化速率较小， 说明大部分站点积雪消融过程基本结束。22日08:00至23日08:00， 当再次发生较小的降雪时， 本研究所选3个陆面过程均高估积雪深度， 4组试验降雪量分别为1.16 cm、 0.96 cm、 1.28 cm和0.05 cm， 可见Noah-LSM陆面过程方案对降雪事件高估最为显著。CLM陆面过程融雪速率较大， 积雪消融过快， 导致积雪消融阶段时间偏短； 因此虽然初始场使用ERA5数据集导致初始场中积雪显著偏高， 但CLM陆面过程融雪速率偏快， 最后可能使其平均误差较小。而使用中国雪深长时间序列数据集和站点积雪数据作为初始场积雪数据， 积雪提前结束消融， 导致反照率偏小。
由于各组试验在22日08:00至23日08:00间存在明显降雪过程， 因此选取2014年2月22日08:00， 通过中国雪深长时间序列数据集和各组试验模拟积雪深度空间分布及其空间相关系数来分析积雪空间区域模拟能力。由图5可以看出， 各组试验均较准确再现喜马拉雅山地区、 藏东南念青唐古拉山和藏北高原上存在积雪大值区， 但大值区范围和量级有所差异， 且对于复杂地形地区积雪深度空间差异性较大。EPX3和EXP4试验积雪深度的空间分布与卫星遥感积雪深度空间分布较为一致， 其空间相关系数分别为0.56和0.61， 通过0.05的显著性检验， 但在藏东南念青唐古拉山以及横断山脉地区模拟值偏大， 其中EPX3试验下对该区域模拟偏大； EXP1和EXP2试验模拟积雪深度偏小， 高值区范围也偏小， 仅在喜马拉雅山地区西部、 藏东南念青唐古拉山中部和藏北高原上存在较小范围的高值区， 二者与卫星遥感积雪深度空间相关系数分别为0.47和0.46， 通过0.05的显著性检验。对比EXP1和EXP2试验可以发现， 选择CLM陆面过程时， 即使初始场积雪深度差异较大（图2）， 模拟开始的前两天积雪深度差异较大（图4）， 但积雪消融过程经历5天后， 积雪深度空间分布及量值已较为一致［图5（b）， （c）］。这可能与CLM陆面过程前期积雪消融速率较大有关。
图5 2014年2月22日08:00卫星遥感和各组试验模拟积雪深度空间分布（单位： cm）

Fig.5 Spatial distribution of satellite observed and the simulated snow depth of each simulation experiment at 08:00 on 22 February 2014.Unit： cm

3.3　反照率及辐射通量

进一步利用玛多、 玛曲和西大滩3个野外站辐射资料验证各组试验对反照率模拟效果， 张正等（2019）通过青藏高原28个观测点积雪反照率数据分析， 发现地表被斑状雪覆盖的观测点反照率值可能小于0.5， 因此本研究中若某日各小时反照率均小于0.4， 则判定前一天积雪完全消融。如玛多、 玛曲和西大滩野外站观测和各试验模拟反照率逐小时变化趋势（图6）所示， 玛多野外站和西大滩野外站21日积雪完全消融［图6（a）， （c）］， 玛曲野外站25日才结束消融过程［图6（b）］。
图6 玛多（a）、 玛曲（b）和西大滩（c）野外站观测和各试验模拟反照率逐小时变化趋势

Fig.6 Time series of simulated and observed albedo at Maduo （a）， Maqu （b） and Xidatan （c） stations

表6为玛多、 玛曲和西大滩野外站各试验模拟反照率的统计参数结果。可以看出玛多和西大滩野外站结果较为相似， EXP1试验反照率统计结果最优， 其均方根误差、 相关系数和平均绝对误差分别为0.10、 0.92、 0.09， 和0.14、 0.67、 0.10， EXP3试验反照率平均误差最小分别为-0.02和-0.08； 而对玛曲野外站而言， EXP4试验反照率统计结果最优， 其平均误差（0.004）， 均方根误差（0.12）和平均绝对误差（0.11）最小。
表6 玛多、 玛曲和西大滩野外站各试验模拟反照率的统计参数结果

Table 6 Statistical metrics for simulated albedo evaluation against observations at Maduo， Maqu and Xidatan stations

站点 参数 EXP1 EXP2 EXP3 EXP4
玛多 均方根误差 0.10 0.14 0.13 0.21
平均误差 -0.08 -0.11 -0.02 0.17
相关系数 0.92** 0.74** 0.73** 0.79**
平均绝对误差 0.09 0.12 0.11 0.18
玛曲 均方根误差 0.18 0.24 0.24 0.12
平均误差 -0.10 -0.21 -0.21 0.004
相关系数 0.85** 0.83** 0.92** 0.71**
平均绝对误差 0.13 0.21 0.21 0.11
西大滩 均方根误差 0.14 0.18 0.14 0.20
平均误差 0.11 -0.05 0.08 0.15
相关系数 0.67** 0.40* 0.62** -0.07
平均绝对误差 0.10 0.15 0.11 0.16

**表示通过99%置信度检验

对比玛多、 玛曲和西大滩野外站观测和各试验模拟反照率逐小时变化趋势（图6）可以发现， 玛多野外站观测的18日反照率早晨大下午小， 变化范围从0.77下降至0.52； 20日13:00后反照率维持在0.45以下， 说明积雪已融化至浅薄可能呈斑状雪。EXP1试验和EXP2试验模拟反照率与野外站观测的反照率变化趋势较为一致， 整体呈下降趋势， 且日内变化较显著， 尤其是EXP1试验与观测更为接近。这是因为CLM陆面过程方案考虑了积雪雪龄和粒径及植被影响， 能够较好地模拟出积雪反照率日内变化。而EXP3试验和EXP4试验模拟反照率也呈逐渐减小趋势， 但变化幅度小， 18 -21日反照率变化幅度分别仅为0.05和0.07， 且每日日变化也较小。这主要是由于Noah-LSM和Noah-MP陆面过程方案对积雪反照率参数化过程考虑较为简化， 积雪消融阶段反照率日内变化不显著。玛曲野外站观测反照率也整体呈缓慢下降趋势， 22日前日内变化较小， 这可能是因为初始时玛曲野外站积雪深度较大。EXP1试验和EXP2反照率在积雪消融阶段前期与玛曲站观测的反照率变化趋势较为一致， 但分别于21日10:00和16:00快速降至0.3以下， 且稳定在0.23左右， 说明EXP1试验和EXP2分别于21日10:00和16:00积雪全部消融。EXP3试验和EXP4试验反照率呈逐渐减小趋势， EXP3试验反照率日变化不显著， EXP4试验反照率在23日和24日日变化较大， 在24日16:00迅速降至0.2左右， 说明EXP4试验中积雪于24日16:00完全消融。西大滩野外站反照率观测和各试验模拟与玛多相似， 但各试验中反照率在21日14:00 -17:00快速增加， 分别增加0.14， 0.21， 0.04和0.14， 这是因为各试验在这时间段发生降雪过程， 而观测却未出现降雪过程。
综上所述， 3种陆面过程均能较好地再现积雪消融阶段反照率整体呈下降的趋势， 但在日变化细节上均有所欠缺。CLM陆面过程方案能模拟出反照率日变化特征， 但其融雪速率大， 导致积雪消融结束时间提前， 且在积雪即将完全消融时反照率快速减小， 这与观测缓慢减小的事实不符。因此， 虽然EXP1中初始场积雪深度偏大， 但由于CLM陆面过程方案融雪速率快， 使得玛多、 西大滩野外站积雪消融结束时间与观测较为一致， 统计结果最优； 而在初始积雪较深的玛曲野外站积雪消融结束时间较观测提前3天， 统计结果较为一般。虽然EXP2初始场积雪深度更准确时， 但积雪融化过快， 积雪消融结束时间提前， 各统计参数偏差均较大。Noah-LSM和Noah-MP陆面过程方案不能再现反照率日内变化， 且低估了新雪反照率， 此外Noah-MP显著高估了积雪消融阶段平均反照率， 在积雪即将完全消融时反照率迅速减小。

3.4　地表能量分配

积雪改变地表反照率进而影响地表能量分配。本研究进一步分析2月18 -25日玛曲野外站积雪消融过程中地表能量平衡特征。净辐射是积雪消融主要能量来源， 由图7（a）可以看出， 玛曲野外站净辐射白天为正， 存在明显峰值， 夜间为负； 18日峰值仅为69.56 W∙m-2， 随后在积雪消融过程中逐渐增加， 24日峰值达369.05 W∙m-2， 峰值与无雪时大致相同（李文静等， 2021）。这是因为净辐射主要随着净短波辐射的变化而变化， 积雪消融过程中， 反照率的逐渐减小， 净短波辐射逐渐增加， 进而净辐射逐渐增大至无雪时量值。而各试验均模拟出净辐射白天为正， 夜间为负的特征， 但与站点观测的净辐射量值及变化趋势存在一定差异。EXP1和EXP2试验模拟出了积雪消融过程中净辐射增加趋势， 但较早（22日和20日）回升至无雪时量值； 且18日和19日白天净辐射均偏小。EXP3试验净辐射白天均偏大， 且日峰值增加较小。EXP4试验19 -24日白天净辐射偏小， 且18 -23日日峰值增幅较小， 24日迅速增加， 24日较23日日峰值增加340.32 W∙m-2。
图7 玛曲野外站观测和各试验模拟的净辐射（a）、 感热（b）、 潜热（c）和地表热通量（d）逐小时变化趋势

Fig.7 Hourly comparison between the observation and the experimental simulations of the net radiation （a）， sensible heat （b）， latent heat （c）， and surface heat flux （d） at Maqu stations

感热通量、 潜热通量和土壤热通量是陆-气能量交换的三种主要能量形式。各试验模拟感热均呈白天为正， 夜间为负的基本特征， 说明白天地表加热大气， 夜间大气向地表输送热量。其中EXP1和EXP2试验， 在积雪消融时（18 -21日）感热较小； 积雪消融结束后（22 -24日）感热日峰值回升至290 W∙m-2左右， 这与李丹华（2017）观测得到的降雪前感热日峰值270 W∙m-2相近。EXP3试验感热日峰值略微减小； 而EXP4试验与EXP3试验相反， 感热略微增加。各试验模拟潜热均表现为白天为正， 夜间为零或负值， 说明积雪消融时通过积雪升华、 融雪水蒸发、 土壤水汽蒸发等一系列过程， 地表潜热释放加热大气。EXP1试验潜热均较小， 最大仅为48.33 W∙m-2， 而EXP2试验潜热在19 -21日日间均较大， 其中20日最大达205.50 W∙m-2， 这是可能因为EXP2试验积雪比较浅薄， 积雪消融时， 净辐射增加， 蒸发裸露在大气中较湿的土壤水， 与大气发生比较强烈的潜热交换； 而EXP1试验中积雪厚实， 积雪消融时净辐射较小， 白天融化至雪水状态夜间渗透冻结， 导致裸露在大气的水汽较少， 潜热交换较小。EXP3试验白天潜热均较大， 且缓慢增加， EXP4试验潜热均较小。EXP1和EXP2试验土壤热通量在18 -19日白天为正， 量值较小， 夜间为零； 20 -24日， 白天为较大正值， 夜间为负值， 说明18 -19日积雪较厚作为保温层， 阻碍地表与大气的感热交换［图7（b）］， 而20 -24日积雪浅薄或消融殆尽， 白天净辐射大， 加热地表， 导致地表温度高于浅层土壤温度， 地表向浅层土壤传输热能； 夜间地表迅速辐射降温， 温度低于浅层土壤温度， 所以浅层土壤向地表传输热量。EXP3试验白天土壤热通量为正夜间为负， 日峰值逐渐增加。EXP4试验土壤热通量在18 -22日均较小， 23 -24日， 迅速增加。

4 结果与讨论

利用WRF模式对2014年2月17 -27日青藏高原中东部地区一次降雪后的融雪过程进行数值模拟， 在使用气象站点数据和中国雪深长时间序列数据集替换ERA5初始场中积雪数据基础上， 选取WRF模式中的CLM、 Noah-LSM和Noah-MP陆面过程方案， 探究不同陆面过程方案对积雪消融阶段模拟能力。主要结论如下：
（1） 3种陆面过程方案均能较好地再现2 m气温。使用气象站点数据和中国雪深长时间序列数据能够提高WRF模式对2 m气温的模拟效果。使用更准确初始场积雪数据时， CLM陆面过程方案2 m气温平均误差最小， 为0.99 ℃； Noah-LSM陆面过程方案2 m气温均方根误差（4.00 ℃）和平均绝对误差（3.22 ℃）最小， 但其对昼夜温差有所低估。
（2） 3种陆面过程方案均再现积雪消融积雪深度时空分布特征。CLM陆面过程方案积雪深度均方根误差， 平均误差和平均绝对误差均最小， 分别为4.70 cm、 -1.25 cm和2.75 cm， 但其融雪速率较大， 导致积雪消融阶段时间偏短。Noah-LSM和Noah-MP陆面过程融雪速率与观测较为一致。在发生降雪时， 3种陆面过程方案均高估了降雪量， 尤其是Noah-LSM陆面过程方案。
（3） 3种陆面过程均能较好地再现积雪消融阶段反照率整体呈下降的趋势， 但在细节上均有所欠缺。CLM陆面过程方案能模拟出反照率日内变化特征， 但其融雪速率大， 导致积雪消融结束时间提前， 且在积雪快完全消融时反照率迅速减小。Noah-LSM和Noah-MP陆面过程方案不能再现反照率日内变化， 且对于低估新雪反照率， 此外Noah-MP显著高估积雪消融阶段平均反照率， 在积雪快完全消融时反照率迅速减小。
（4） CLM陆面过程方案能再现积雪消融过程中净辐射逐渐增大的特征， 且峰值与观测相近； 积雪消融时（18 -21日）感热较小， 积雪消融结束后（22 -24日）感热峰值回升至290 W∙m-2左右； 能模拟出地表与大气的潜热交换， 和与浅层土壤的热量传输。Noah-LSM陆面过程方案不能模拟出积雪消融过程中能量分配的迅速变化。Noah-MP陆面过程方案能量分配在积雪消融殆尽时， 迅速变化， 尤其是净辐射和土壤热通量。
本研究模拟了一次降雪后的积雪消融过程， 3个陆面过程方案中， CLM陆面过程方案表现最优。CLM陆面过程方案模拟的2 m气温和积雪深度误差相对较小， 但其相关性最差。这是因为CLM中积雪反照率考虑了更多影响因子， 地表辐射能量分配更为合理， 另一方面使其日内变化特征显著， 但日间反照率变化较观测存在一定的提前或滞后。此外， 虽然CLM陆面过程方案融雪速率偏大， 但青藏高原的降雪量常常被模型所高估， 因此在模拟降雪和积雪消融全过程时， CLM方案可能表现较好。而使用更准确初始场积雪数据， 积雪消融过程提前结束， 模拟后期反照率偏小， 2 m气温产生暖偏差。

参考文献

null
Chen F， Dudhia J， 2001.Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system.PartI： Model implementation and sensitivity［J］.Monthly Weather Review， 129（4）， 569-585.
null
Fairall C W， Bradley E F， Hare J E， al et， 2003.Bulk parameterization of air-sea fluxes： Updates and verification for the COARE algorithm［J］.Journal of Climate， 16（4）： 571-591.
null
Gao L， Bernhardt M， Schulz K， al et， 2017.Elevation correction of ERA-interim temperature data in the Tibetan Plateau［J］.International Journal of Climatology， 37（9）， 3540-3552.
null
Henderson G R， Peings Y， Furtado J C， al et， 2018.Snow-atmosphere coupling in the Northern Hemisphere ［J］.Nature Climate Change， 8（11）： 954-963.
null
Hong S Y， Noh Y， Dudhia J， 2005.A new vertical diffusion package with an explicit treatment of entrainment processes［J］.Monthly Weather Review， 134（9）： 2318.
null
Jin J， Wen L， 2012.Evaluation of snowmelt simulation in the Weather Research and Forecasting model［J］.Journal of Geophysical Research Atmospheres， 117（D10）： 10110.
null
Kain J S， 2004.The Kain-Fritsch convective parameterization： An update［J］.Journal of Applied Meteorology， 43（1）： 170-181.
null
Krinner G， Derksen C， Essery R， al et， 2018.ESM-SnowMIP： Assessing models and quantifying snow-related climate feedbacks ［J］.Geoscientific Model Development Discussions.11（12）： 5027-5049.
null
Lei Y H， Letu H， Shang H Z， al et， 2020.Cloud cover over the Tibetan Plateau and eastern China： A comparison of ERA5 and ERA-Interim with satellite observations［J］.Climate Dynamic， 54（5）： 2941-2957.DOI： 10.1007/s00382-020-05149-x .
null
Li W， Guo W， Qiu B， al et， 2018.Influence of Tibetan Plateau snow cover on East Asian atmospheric circulation at medium-range time scales［J］.Nature Communications， 9（1）： 4243.
null
Liu L， Ma Y， Menenti M， al et， 2019.Evaluation of WRF Modeling in Relation to Different Land Surface Schemes and Initial and Boundary Conditions： A Snow Event Simulation Over the Tibetan Plateau［J］.Journal of Geophysical Research： Atmospheres， 124（1）： 209-226.DOI： 10.1029/2018JD029208 .
null
Liu H， Gong P， Wang J， al et， 2020.Annual dynamics of global land cover and its long-term changes from 1982 to 2015［J］.Earth System Science Data， 12（2）： 1217-1243.
null
Ou T H， Chen D L， Chen X C， al et， 2020.Simulation of summer precipitation diurnal cycles over the Tibetan Plateau at the gray-zone grid spacing for cumulus parameterization［J］.Climate Dynamics， 54（7）： 3525- 3539.DOI： 10.1007/s00382-020-05181-x .
null
Qin D H， Liu S Y， Li P J， 2006.Snow cover distribution， variability， and response to climate change in western China［J］.Journal of Climate， 19（9）： 1820-1833.
null
Sahu R， Gupta R D， 2020.Snow cover area analysis and its relation with climate variability in Chandra basin， western Himalaya， during 2001-2017 using MODIS and ERA5 data ［J］.Environmental Monitoring and Assessment， 192： 489.DOI： 10.1007/s10661-020-08442-8 .
null
Wang Z， Wu R， Chen S， al et， 2018.Influence of western Tibetan Plateau summer snow cover on East Asian summer rainfall［J］.Journal of Geophysical Research： Atmospheres， 123（5）： 2371-2386.
null
Wei Z， Dong W， 2015.Assessment of simulations of snow depth in the Qinghai-Tibetan Plateau using CMIP5 multi-models［J］.Arctic， Antarctic， and Alpine Research， 47（4）： 611-625.
null
Yang Z L， Cai X， Gang Z， al et， 2011.The Community Noah Land Surface Model with multi-parameterization options （Noah-MP）： Technical description［J］.Journal of Geophysical Research： Atmospheres， 116（D12109）： 1-19.
null
Yang T， Li Q， Chen X， al et， 2021.Variation of snow mass in a regional climate model downscaling simulation covering the Tianshan Mountains， Central Asia［J］.Journal of Geophysical Research： Atmospheres， 126（10）： 1-21.
null
Zhang Y， Li T， Wang B， 2004.Decadal change of the spring snow depth over the Tibetan Plateau： The associated circulation and influence on the East Asian summer monsoon［J］.Journal of Climate， 17（14）： 2780-2793.
null
车宗玺， 金铭， 张学龙， 等， 2008.祁连山不同植被类型对积雪消融的影响［J］.冰川冻土， 30（3）： 392-397.
null
陈烈庭， 2001.青藏高原异常雪盖和ENSO在1998年长江流域洪涝中的作用［J］.大气科学， 25 （2）： 184-192.
null
郝晓华， 王建， 车涛， 等， 2009.祁连山区冰沟流域积雪分布特征及其属性观测分析［J］.冰川冻土， 31（2）： 284-292.
null
何建军， 余晔， 刘娜， 等， 2014.复杂地形区陆面资料对WRF模式模拟性能的影响［J］.大气科学， 38（3）： 484-498.
null
胡汝骥， 2013.中国积雪与雪灾防治［M］.北京： 中国环境出版社， 16-17.
null
姜琪， 罗斯琼， 文小航， 等， 2020.1961-2014年青藏高原积雪时空特征及其影响因子.高原气象， 39（1）： 24-36.DOI： 10.7522/j.issn.1000-0534.2019.00022 .
null
李丹华， 2017.黄河源区雪面近地层微气象和水热交换特征研究［D］.兰州： 兰州大学.
null
李斐， 邹捍， 周立波， 等， 2017.WRF模式中边界层参数化方案在藏东南复杂下垫面适用性研究［J］.高原气象， 36（2）： 340-357.DOI： 10.7522/j.issn.1000-0534.2016.00041 .
null
李文静， 罗斯琼， 郝晓华， 等， 2021.青藏高原不同季节积雪过程对地表能量和土壤水热影响的观测研究［J］.高原气象， 40（3）： 455-471.DOI： 10.7522/j.issn.1000-0534.2020.00001 .
null
李晓峰， 梁爽， 赵凯， 等， 2020.基于气象要素的中国积雪类型划分及积雪特征分布［J］.冰川冻土， 42（1）： 62-71.DOI： 10.7522/j.issn.1000-0240.2019.0055
null
陆恒， 魏文寿， 刘明哲， 等， 2015.融雪期天山西部森林积雪表面能量平衡特征［J］.山地学报， 33（2）： 173-182.
null
秦大河， 2005.中国气候与环境演变（上卷）［M］.北京： 科学出版社.
null
石英， 高学杰， 宋瑞艳， 等， 2010.全球变暖背景下中国区域不同强度降水事件变化的高分辨率数值模拟［J］.气候变化研究进展， 6（3）： 164-169.
null
史进纳， 蒋代华， 肖斌， 等， 2015.不同连栽代次桉树林土壤有机碳演变特征［J］.热带作物学报， 36（4）： 748-752.
null
王澄海， 王芝兰， 崔洋， 2009.40余年来中国地区季节性积雪的空间分布及年际变化特征［J］.冰川冻土， 31（2）： 301-310.
null
王芝兰， 王小平， 李耀辉， 2013.青藏高原积雪被动微波遥感资料与台站观测资料的对比分析［J］.冰川冻土， 35（4）： 783-792.
null
魏文寿， 秦大河， 刘明哲， 2001.中国西北地区季节性积雪的性质与结构［J］.干旱区地理， 24（4）： 310-313.DOI： 10.13826/j.cnki.cn65-1103/x.2001.04.004 .
null
肖林， 车涛， 2015.青藏高原积雪对气候反馈的初步研究［J］.遥感技术与应用， 30（6）： 1066-1075.
null
张娟， 徐维新， 王力， 等， 2018.三江源腹地玉树地区动态融雪过程及其与气温关系分析［J］.高原气象， 37（4）： 936-945.DOI： 10.7522/j.issn.1000-0534.2018.00001 .
null
张正， 肖鹏峰， 张学良， 等， 2019.青藏高原融雪期积雪反照率特性分析［J］.遥感技术与应用， 34（6）： 1146-1154.
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn